论文提出的算法主要是针对复杂的多重异构网络(即节点有属性,节点类型有多种,边的类型有多种)。算法名字叫做GATNE,可以分为直推式GATNE-T和归纳式GATNE-I。
每个节点的embedding包括base embedding和edge embedding。其中base embedding是用在共有的,edge embedding是针对不同类型的边构造的图生成的embedding。
对于GATNE-T算法,base embedding是通过网络结构直接训练生成的。edge embedding是在针对不同的边类型,构造不同的图,然后使用类似GraphSage的算法生成各种Edge embedding,然后对各种类型的edge embedding进行一次attention得到。
但是在GATNE-I算法中,base embedding和初始的edge embedding是通过转换函数生成的,即一个节点
i
i
i的属性集为
x
i
x_i
xi,则根据函数
f
z
(
x
i
)
f_z(x_i)
fz(xi)生成base embedding和
g
z
(
x
i
)
g_z(x_i)
gz(xi)生成初始的edge embedding,这里
z
z
z是节点的类型,不用的节点类型有不同的
f
f
f和
g
g
g函数,
f
f
f和
g
g
g函数可以是一个多层感知机。
然后每个节点最终的embedding就是base embedding
+
α
r
U
i
,
r
+\alpha_r U_{i, r}
+αrUi,r
Representation Learning for Attributed Multiplex Heterogeneous Network论文阅读笔记
最新推荐文章于 2024-03-01 16:15:09 发布